論文の概要: Keep your Eyes on the Lane: Real-time Attention-guided Lane Detection

• arxiv url: http://arxiv.org/abs/2010.12035v2
• Date: Wed, 18 Nov 2020 01:09:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-04 07:08:01.779749
• Title: Keep your Eyes on the Lane: Real-time Attention-guided Lane Detection
• Title（参考訳）: 目で車線を見張る:リアルタイム注意誘導車線検出
• Authors: Lucas Tabelini, Rodrigo Berriel, Thiago M. Paix\~ao, Claudine Badue, Alberto F. De Souza, Thiago Oliveira-Santos
• Abstract要約: LaneATTはアンカーベースのディープレーン検出モデルで、機能プーリングステップにアンカーを使用する。 本研究では,グローバルな情報を集約するアンカーベースアテンション機構を提案する。 このモデルは、文献の中で最も広く使われている3つのデータセットに対して広範囲に評価された。
• 参考スコア（独自算出の注目度）: 9.574421369309949
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern lane detection methods have achieved remarkable performances in complex real-world scenarios, but many have issues maintaining real-time efficiency, which is important for autonomous vehicles. In this work, we propose LaneATT: an anchor-based deep lane detection model, which, akin to other generic deep object detectors, uses the anchors for the feature pooling step. Since lanes follow a regular pattern and are highly correlated, we hypothesize that in some cases global information may be crucial to infer their positions, especially in conditions such as occlusion, missing lane markers, and others. Thus, this work proposes a novel anchor-based attention mechanism that aggregates global information. The model was evaluated extensively on three of the most widely used datasets in the literature. The results show that our method outperforms the current state-of-the-art methods showing both higher efficacy and efficiency. Moreover, an ablation study is performed along with a discussion on efficiency trade-off options that are useful in practice.
• Abstract（参考訳）: 現代の車線検出手法は、複雑な実世界のシナリオにおいて顕著な性能を達成したが、自動運転車にとって重要なリアルタイム効率の維持に多くの問題がある。 本稿では,他の一般的な深部物体検出器と同様に,機能プーリングステップにアンカーを使用するアンカーベースの深部レーン検出モデルである laneatt を提案する。 レーンは規則的なパターンを踏襲し,高い相関関係にあるため,グローバルな情報は,特に閉塞や線路マーカーの欠如などの条件において,それらの位置を推測することが重要であるという仮説を立てる。 そこで本研究では,グローバル情報を集約する新しいアンカーベースの注意機構を提案する。 このモデルは、文献で最も広く使われている3つのデータセットで広く評価された。 その結果,本手法は高効率・高効率両立を示す最先端手法よりも優れていた。 さらに、実際に有用な効率性トレードオフオプションに関する議論とともに、アブレーション研究を行う。

関連論文リスト

• On-Road Object Importance Estimation: A New Dataset and A Model with Multi-Fold Top-Down Guidance [70.80612792049315]
  本稿では,交通オブジェクト重要度(TOI)という,新しい大規模データセットを提案する。 ボトムアップ機能とマルチフォールドトップダウンガイダンスを統合するモデルを提案する。 我々のモデルは最先端の手法を大きなマージンで上回る。
  論文  参考訳（メタデータ） (2024-11-26T06:37:10Z)
• Monocular Lane Detection Based on Deep Learning: A Survey [51.19079381823076]
  車線検出は自律運転認識システムにおいて重要な役割を果たす。 ディープラーニングアルゴリズムが普及するにつれて、ディープラーニングに基づく単眼車線検出手法が優れた性能を示した。 本稿では, 成熟度の高い2次元車線検出手法と開発途上国の3次元車線検出技術の両方を網羅して, 既存手法の概要を概説する。
  論文  参考訳（メタデータ） (2024-11-25T12:09:43Z)
• Attention-based U-Net Method for Autonomous Lane Detection [0.5461938536945723]
  本研究では,ディープラーニングに基づく2つのレーン認識手法を提案する。 最初の方法はFPN(Feature Pyramid Network)モデルを用いており、道路車線検出の精度は87.59%である。 注意層をU-Netモデルに組み込んだ第2の手法はセマンティックセグメンテーションタスクの性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-11-16T22:20:11Z)
• YOLO-TS: Real-Time Traffic Sign Detection with Enhanced Accuracy Using Optimized Receptive Fields and Anchor-Free Fusion [15.571409945909243]
  本稿では,新しいリアルタイムかつ効率的な道路標識検出ネットワーク YOLO-TS を提案する。 このネットワークは,マルチスケール特徴写像の受容場を最適化することにより,性能を著しく向上させる。 我々の革新的な機能融合戦略は、アンカーフリー手法の柔軟性を活用し、精度と速度の両面で顕著な向上を実現している。
  論文  参考訳（メタデータ） (2024-10-22T16:19:55Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Improving Online Lane Graph Extraction by Object-Lane Clustering [106.71926896061686]
  本稿では,局所レーングラフの推定精度を向上させるために,アーキテクチャと損失の定式化を提案する。 提案手法は,中心線をクラスタ中心とすることで,対象を中心線に割り当てることを学ぶ。 提案手法は既存の3次元オブジェクト検出手法の出力を用いて,大幅な性能向上を実現することができることを示す。
  論文  参考訳（メタデータ） (2023-07-20T15:21:28Z)
• Unsupervised Self-Driving Attention Prediction via Uncertainty Mining and Knowledge Embedding [51.8579160500354]
  本研究では、不確実性モデリングと知識統合の駆動による自動運転の注意を予測できる教師なし手法を提案する。 結果は、完全に教師された最先端のアプローチと比較して、同等またはさらに印象的なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-03-17T00:28:33Z)
• Diverse Complexity Measures for Dataset Curation in Self-driving [80.55417232642124]
  トラフィックシーンの面白さを定量化する多様な基準を活用した新たなデータ選択手法を提案する。 実験の結果,提案するキュレーションパイプラインは,より汎用的で高いパフォーマンスをもたらすデータセットを選択できることが判明した。
  論文  参考訳（メタデータ） (2021-01-16T23:45:02Z)
• Probabilistic Multi-modal Trajectory Prediction with Lane Attention for Autonomous Vehicles [10.485790589381704]
  軌道予測は自動運転車にとって不可欠である。 レーン表現のための新しいインスタンス認識表現を提案する。 提案したレーン表現とレーンアテンションモジュールは,広く使用されているエンコーダデコーダフレームワークに統合可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-06T07:57:23Z)
• Map-Enhanced Ego-Lane Detection in the Missing Feature Scenarios [26.016292792373815]
  本稿では,検出アルゴリズムの性能向上に優れた,デジタル地図に含まれる事前知識を活用する。 このようにして、路面形状と実車線の位置誤差を除去するためには、少数の車線特徴しか必要としない。 実験の結果,提案手法は様々なシナリオに適用可能であり,20Hzの周波数でリアルタイムに動作可能であることがわかった。
  論文  参考訳（メタデータ） (2020-04-02T16:06:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。